为什么AI干得总是差点意思？教你怎么把需求一次说清楚
腾讯云开发者 · 软件开发
原创 袁俊晓 2026-11-06 08:45 广东 关注腾讯云开发者，一手技术干货提前解锁👇 开发者公众号专属群聊 扫码加入获取更多一手教程、科技前沿报告 提示词工程的关键，不在于寻找一句万能指令，而在于清晰表达任务、组织必要上下文，并用明确的结构和约束降低歧义。本文从基础概念、表达格式和实用技巧出发，梳理一套可直接应用于日常 AI 使用与应用开发的提示词方法。 01 大语言模型的本质是什么？ 本质是一个通过海量数据训练得到的预测引擎，用来预测“在给定上下文，下一个最合理的 token 是什么”。 它接收一段文本作为输入，然后根据上下文预测下一个最可能出现的 token。模型每次生成一个 token，并将其追加到当前序列中，再继续预测下一个 token。因此，每一步生成都依赖于前文上下文和模型训练中学到的模式。 02 什么是提示词工程？ 提示词就是我们给到大模型的输入，它的作用是设法引导大模型生成的下一个 token 符合我们的预期。 提示词工程是通过不断优化输入，提升模型输出质量的系统性方法。它包含三个关键维度： 质量维度 ：输出的内容专业、完整和有价值，让人感觉“说到点子上”。 稳定性维度 ：在不同场景和时间下产生可预期的一致表现，让人感觉“靠得住”。 正确性维度 ：信息准确、可信，减少产生虚假或误导性内容的情况，让人感觉“说得对”。 提示词工程的局限 提示词工程不是万能的。它不能突破模型能力的上限，也不能保证绝对正确；它只能在模型已有的能力范围之内，把成功的概率推高。 03 提示词工程的目标受众是谁？ 提示词工程主要面向两类人： 使用 AI 工具的人？ 制造 AI 工具的人？ 在 AI 应用开发中，提示词工程尤其重要，可以从两个角度理解： 从 AI 应用角度 ：模型响应用户输入（User Prompt），在系统提示词（System Prompt）的约束下生成回复（Assistant）。 从产品角度 ：通过产品设计来设置用户使用的方式，以及模型响应的方式。 04 常见的几种角色提示词 常见的对话消息包含 System 、 User 、 Assistant 三种角色。 System（系统） 设置对话的基本规则和角色定位。 定义 AI 助手的性格、行为准则、回复风格等。 通常由开发团队预设，用户一般看不到。 例如：“你是一个乐于助人、专业的 AI 助手……” User（用户） 对话的发起者和提问者。 用户每次输入的问题或指令。 用户提供需求、问题、指令或对话内容。 例如：“帮我写一封邮件”“解释一下……” Assistant（助手） AI 的回复角色。 即助手每次给出的回答。 基于系统设定和用户输入生成回应。 System Prompt 与 User Prompt 的区别 在开发 AI 应用时，系统提示词用于设置人设与回复逻辑；用户提示词用于表达用户当次提出的问题和需求。两者共同影响大模型的响应。 05 常见的参数设置 大多数 LLM 提供丰富的参数，用于控制输出生成的方式。有效的提示词工程离不开对这些参数的合理设置，这些参数通常通过 API 调用的形式进行设置。 参考资料： DeepSeek Chat Completion API 文档 https://api-docs.deepseek.com/zh-cn/api/create-chat-completion/ 5.1 一输出长度（Output Length） 输出长度即模型响应中生成 token 的数量。输出 token 越多，模型计算开销越大，响应时间越慢，成本越高。 需要注意的是，缩短输出长度并不会让模型“写得更简洁”，它只是在达到指定长度后停止生成。如果想获得短内容输出，还需要通过提示词引导模型尽早收敛。 在某些提示词技巧中，限制输出长度尤为重要，比如 ReAct 技法中，模型容易在目标输出后继续生成冗余内容。 5.2 采样控制（Sampling Controls） LLM 并不是“预测一个确定 token”，而是对所有可能的下一个 token 给出概率分布，然后从中采样决定最终输出。控制采样方式的关键参数包括 temperature 、 top_p 。 Temperature（温度） temperature 控制采样的随机性： 值越低，输出越确定；值越高，结果越多样、越随机。 temperature = 0 代表贪婪解码（greedy decoding），总是选取概率最高的 token。 低温度意味着偏向确定输出，高温度则允许更多不确定性，适用于需要创造性结果的场景。 以下是不同任务的温度参数示例： 注：不同模型和接口的参数行为可能不同，具体配置应以所使用模型的官方文档为准。 Top-P（核采样） 使用时需要注意： temperature 、 top_p 不建议